A szám, amit mindenki idéz
2023-ban megjelent egy kísérlet, ami azóta minden bemutatóban szerepel: az AI-kódkiegészítőt használó csoport 55,8%-kal gyorsabban végzett, mint a kontroll.
Amit ritkán mondanak hozzá: a feladat egy darab HTTP-szerver megírása volt JavaScriptben, a nulláról, minél gyorsabban. És a szerzők annak a cégnek az alkalmazottai, amelyik az eszközt árulja.
Ez nem érvényteleníti a mérést. Azt mondja meg, mire vonatkozik: önálló, jól definiált, zöldmezős feladatra, ahol nincs meglévő kódbázis, nincs stílus, amit követni kell, és nincs kód, amit nem szabad eltörni.
A szám, amit senki nem szeret
2025 júliusában publikáltak egy szigorúbb kísérletet. Tizenhat tapasztalt open-source fejlesztő, 246 valódi issue, feladatonként véletlenszerűen eldöntve, hogy használhat-e AI-t. A repók átlagosan 22 000 csillagosak és milliós sorszámúak, a fejlesztők átlagosan öt éve dolgoznak rajtuk. Óradíj 150 dollár, hogy a motiváció ne legyen kérdés.
Az eredmény: 19%-kal tovább tartott a munka AI-val.
A szerzők maguk teszik hozzá a legfontosabb korlátozást: „nem állítjuk, hogy a fejlesztőink vagy a repóink a szoftverfejlesztési munka többségét képviselnék". Ez a legrosszabb eset az AI számára: érett kódbázis, magas minőségi elvárás, és olyan ember, aki fejből ismeri a kódot. Pont ezért érdekes.
És a robusztusság miatt nehéz lesöpörni: húsz lehetséges magyarázó tényezőt néztek végig — projektméret, minőségi elvárás, korábbi AI-tapasztalat —, és a lassulás mindegyik bontásban megmaradt.
A 39 százalékpont
Itt jön a rész, ami mindkét mérésnél fontosabb.
A fejlesztők a kísérlet előtt 24%-os gyorsulást vártak. A kísérlet után — miután ténylegesen lassabban dolgoztak, a saját bőrükön — még mindig 20%-os gyorsulást éreztek. A mért érték 19%-os lassulás volt.
Nem a jóslatuk volt rossz. Az érzékelésük volt rossz. Ez a 39 százalékpontos szakadék az, amiért ebben a témában nem lehet benyomás alapján dönteni. Hogy mit érdemes helyette mérni, arról a hatás mérése poszt szól — marketinges példákkal, de a módszertan ugyanaz.
Egy fontos megjegyzés: ugyanez a kutatócsoport 2026 februárjában kiírta, hogy a kísérleti elrendezésük megbukott — a fejlesztők 30–50%-a már nem hajlandó bizonyos feladatokat AI nélkül megcsinálni, ezért maguk válogatják meg, mit adnak be. Mai álláspontjuk szerint 2026-ban az AI valószínűleg gyorsít, csak azt nem tudják, mennyivel. Vagyis a 19%-os lassulás nem 2026-os tény, hanem 2025 eleji méréstörténet — a 39 százalékpontos szakadék viszont nem múlt el.
Amiben a nagy minták egyetértenek
A legnagyobb iparági felmérés közel ötezer szakembert kérdezett meg 2025-ben. Négy száma van, ami egyben elmondja a lényeget:
- 90% használ AI-t a munkájában;
- több mint 80% szerint nőtt a produktivitása;
- 30%-nak viszont kevés vagy semmi bizalma nincs az AI által generált kódban;
- és a szállítási mutatókban: az átbocsátás javul, a stabilitás romlik.
Ez utóbbi a kulcsmondat. A jelentés saját megfogalmazásában az AI erősítő: felnagyítja a jól működő szervezetek erősségeit és a küszködők működési zavarait.
Egy másik, 400+ cég önbevallásán alapuló mérés ugyanezt mutatja egy praktikus számban: a PR-ok mediánmérete 44 sorról 72 sorra nőtt 2025 júliusa és 2026 júniusa között. Több kód megy át egy átvizsgáláson, mint korábban — és az átvizsgálás kapacitása nem nőtt vele.
A technikai adósság, ami mérhető
Van egy kódanalitikai cég, amely 623 millió kódváltozást elemzett 2023 és 2026 között. Nem lektorált kutatás, és a repószelekciós kritériumait nem közli — de a nagyságrendek beszédesek:
| Mutató | Változás |
|---|---|
| Blokk-duplikáció | +81% 2023 óta |
| „Elmozgatott" (refaktorált) kód aránya | 21% → 3,8% |
| Fájlok közötti kapcsoltság | −35% |
| Örökölt kód karbantartása | 1,7% → 0,46% |
Egy mondatban: a duplikáció nőtt, a refaktorált kód aránya pedig a töredékére esett — a fejlesztők ma inkább másolnak, mint refaktorálnak. Ez nem meglepő — a másolás az, amiben az AI a leggyorsabb. A számla viszont később érkezik.
A J-görbe
A megtérülésről a legkomolyabb modellezés egy 500 fős mérnökszervezetre készült: 39% első éves megtérülés, nagyjából nyolc hónapos megtérülési idő.
De ugyanez a modell mondja ki azt is, ami a bevezetések felét megöli: átmeneti termelékenységcsökkenés jön először, a tanulás, a megnövekedett átvizsgálási teher és a folyamatátalakítás miatt. És a modellben a hibás változtatások aránya 5%-ról 6%-ra nő, ami önmagában több százezer dolláros leállásköltséget emészt fel a nyereségből.
A riport legfontosabb mondata: a legnagyobb hozam nem az eszközből jön, hanem abból, hogy a szervezet hozzáigazítja-e a működését.
„Mennyi kód készül AI-val?"
Erre a kérdésre a válaszok tartománya önmagában tanulságos.
Színpadi, módszertan nélküli vezetői állítások: egy nagy technológiai cég vezérigazgatója 2024 őszén azt mondta, az új kód több mint negyede AI-generált; 2026 áprilisában ugyanő már 75%-ot mondott. Egy modellfejlesztő cég vezetője 2025 tavaszán azt jósolta, hogy fél éven belül a kód 90%-át AI írja — ez nem következett be.
A legjobb elérhető mérés, 400+ cég önbevallásából: 2026 első negyedévében 27,4%, a másodikban 51,9%. Ez is önbevallás, a szolgáltató maga jelzi a torzítási kockázatot mindkét irányban.
Amit ebből érdemes elvinni: a szám attól függ, mit nevezel „AI által írt kódnak", és a definíciót szinte soha nem adják meg mellé.
A munkaerőpiac
Erről van a leginkább megbízható adat, amerikai bérszámfejtési adatbázisból, 2026 júniusáig.
A 22–25 éves korosztály foglalkoztatása az erősen AI-kitett foglalkozásokban nagyjából 19%-kal van az alatt, ahol akkor tartana, ha együtt mozgott volna a kevésbé kitett foglalkozásokkal. A tapasztalt munkavállalóknál nincs hasonló rés. A kiigazítás mechanizmusa: kevesebb felvétel, nem több elbocsátás.
Két fontos árnyalás. A szerzők maguk kötik ki, hogy ezek leíró mintázatok, nem oksági becslések. És a hatás akkor is megmarad, ha kiveszik a technológiai cégeket és a számítástechnikai foglalkozásokat — vagyis ez nem kizárólag „az AI elviszi a junior fejlesztőket" sztori, hanem ennél általánosabb.
Egy 2026-os divat, amit érdemes elkerülni
2026 elején elkezdtek megjelenni a token-fogyasztási ranglisták: ki mennyi tokent költ el egy hónapban, mint produktivitásmérő.
Ugyanaz a kutatócsoport, amelyik a legnagyobb iparági felmérést csinálja, ezt egyértelműen hiúsági metrikaként utasítja el: szerintük a tízszeres tokenköltés csak marginális átbocsátás-növekedést hoz. Ha valaki ilyen ranglistát vezet be nálad, az nem termelékenységet mér, hanem költést.
Tipikus félreértések
- „Bizonyítottan 55%-kal gyorsabb." Egy zöldmezős HTTP-szerver megírásán, a gyártó mérésében. Érett kódbázison más jön ki.
- „Az AI lassítja a fejlesztőket." Ezt sem lehet állítani: az eredeti kutatócsoport maga vonta vissza a mérési elrendezést, és ma azt mondja, valószínűleg gyorsít.
- „Több kód = több érték." A PR-medián 44-ről 72 sorra nőtt, a duplikáció 81%-kal — a mennyiség nőtt, a karbantarthatóság nem.
- „A bevezetés után azonnal jön a hozam." A modellezés szerint először esik a termelékenység. Aki ezt nem tervezi be, a gödör alján kapcsolja ki.
- „Mindenki bízik benne, hiszen 90% használja." Ugyanabban a felmérésben a szakemberek 30%-ának kevés vagy semmi bizalma nincs a generált kódban.
Amit érdemes elvinni
Két dolog változott meg biztosan: több kód készül, és gyorsabban megy át a csövön — miközben a stabilitás romlik és a duplikáció nő. A nyereség nem az eszközben van, hanem abban, hogy a csapat hozzáigazítja-e a folyamatát: átvizsgálás, tesztelés, jóváhagyás. A saját érzésed pedig a legrosszabb mérőműszer, ami rendelkezésre áll.
Hogy a gyakorlatban melyik munkamódot mikor érdemes használni, arról a kódolás három módja poszt szól; az átvizsgálás konkrét hibamintáiról pedig a generált kód átnézése poszt.